Reduced rank regression via adaptive nuclear norm penalization
通过自适应核范数惩罚进行降秩回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般多元降秩回归并应用于遗传学，未明确涉及宏观或金融因子模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过自适应核范数惩罚进行降秩回归
- 研究问题
- 在高维多元回归中，如何用自适应核范数实现低秩估计，并兼顾非凸优化的可计算性与统计性能保证？
- 方法与思路
- 作者对矩阵奇异值施加加权惩罚，通过自适应软阈值奇异值分解求解，并研究高维条件下的秩选择与误差界。
- 材料陈述的贡献
- 摘要称，所述非凸惩罚问题具有可计算的全局最优解和连续解路径，并建立秩一致性及预测、估计性能界。
- 阅读关注点
- 应核对权重构造、全局解成立的模型条件、秩一致性所需信号强度，以及误差界与遗传学应用的评价设计。
- 阅读边界
- 索引摘要版本未注明，未列出理论条件和性能界的具体形式；低秩回归不能直接等同于经济或金融因子模型，也不能推断刊本变化。
原文摘要
We propose an adaptive nuclear norm penalization approach for low-rank matrix approximation, and use it to develop a new reduced rank estimation method for high-dimensional multivariate regression. The adaptive nuclear norm is defined as the weighted sum of the singular values of the matrix, and it is generally non-convex under the natural restriction that the weight decreases with the singular value. However, we show that the proposed non-convex penalized regression method has a global optimal solution obtained from an adaptively soft-thresholded singular value decomposition. The method is computationally efficient, and the resulting solution path is continuous. The rank consistency of and prediction/estimation performance bounds for the estimator are established for a high-dimensional asymptotic regime. Simulation studies and an application in genetics demonstrate its efficacy.